エネルギーおよびノード寿命解析のための異種ネットワークモデル向けの新規自己最適化ウルフオプティマイザのモデリング

Summary

本研究は、ワイヤレスセンサーネットワークにおけるエネルギー認識クラスタリングとルーティングのための自己最適化型ウルフオプティマイザ(SOWO)を実装・評価するプロトコルを提示し、段階的な設定と再現可能な評価を通じて寿命、スループット、残留エネルギーの向上を目指します。

Abstract

監視、情報収集、高リスク環境から安全な場所へのデータ送信といった重要なサービスは、無線センサーネットワーク(WSN)によって依然として提供されています。これらのサービスは、この目的のために設計された省エネルーティングプロトコルの大多数によって改善されています。均質ルーティングプロトコルが適用され、遠方のハブのエネルギー消費をより効率的に削減します。しかし、このプロトコルのエネルギー利用率が高く、信頼性が低く、長期間使用すると無線ルーター(WR)や基地局(BS)への情報ブロードキャストが不利になります。これらの欠点を克服するために、本研究では改良型自己最適化オオカミオプティマイザー(SOWO)が用いられています。異種ノードを現在のアプローチに組み込み、残ったエネルギーに基づいてヘッドを選択することで、接続全体にわたる多層的な相互作用戦略が導入されます。エネルギーホール除去法の採用は、開発されたルーティング技術の基盤です。いずれのアプローチもネットワークの寿命を延ばし、エネルギー消費を削減することを目指しています。この発見に基づき、提案されたルーティング方式は既存のものに比べて優れた整合性期間、残留エネルギー、スループット、ネットワーク寿命を示しています。本研究は、厳しいノードあたりのエネルギー予算の下で寿命と持続的な供給を最大化しつつ、負荷と公平性のバランスを保つという古典的なクラスタドWSNの問題に取り組んでいます。シミュレーション結果は、既存のアルゴリズムに比べてネットワーク安定性がそれぞれ3.4%と残差エネルギーで32.22%向上していることを示しています。

Introduction

ワイヤレスセンサーネットワーク(WSN)やモノのインターネット(IoT)は、さまざまな技術的課題に広く応用されています。¹.WSNは、ロボットがさまざまな用事をこなすなど、物資の移動を助けるためにさまざまな状況で使われてきました。IoTは当初から基本的な支援を提供してきました。特に安全でないフィールドからのデータ収集にあたります^。これらの技術が現在さまざまなシステムで利用されている具体的な理由があります。^例えば、園芸、医療サービス、生態観察、軍事調査、構造管理、交通管理、水位変動の監視など^です。

無線ネットワーク環境では、データは通常収集され、基地局(BS)と呼ばれる受信ノードに送信され、さらなる処理が行われます^。センサーノードは限られたリソースを効率的に活用し、ネットワークのパフォーマンスを継続的に向上させます。^{作業に関して}は、ノードのエネルギー消費を減らしネットワーク寿命を延ばす仕組みを開発することで、ワイヤレスセンサー^{ネットワークのパフォーマンス向上}が期待できます。センサーノードの異なるユニットは高エネルギー用に使用されます:通信ユニット、データ処理ユニット、センサーです。最初の通信ユニットは最もエネルギーを消費する⁸です。無線センサーネットワークの環境では、最大エネルギー効率の技術は階層的ルーティングプロトコルとして^{広く使われ}ています。隣接ノードからデータが受信されると、クラスタヘッド(CH)はシングルホップおよびマルチホップの相互作用を用いて、BSからの遠隔性に基づいてネットワーク状態を報告します。これらのルーティング技術は研究¹⁰で紹介されています。

関連する文献では、WSN向けのクラスタベースのルーティングアルゴリズムがいくつか予想されています。Moridiら¹¹では、支持ネットワークの寿命を連続して延長する階層的ルーティング方式が提案されました。検討されたネットワークは、ネットワーク選択のためのルーティング技術を開発した試験研究¹²に基づき適切に選定されます。

Priyadharshiniら¹³ は、分散エネルギー効率クラスタリング(DEEC)として知られる確率ベースのクラスタリングプロトコルを説明しています。DIECが選ぶCHは、開発されたネットワーク内の各ノードの平均エネルギーと残りのエネルギーの比率に依存します。著者らは、低エネルギー適応クラスター階層(LEACH)プロトコルとして知られる均質なシステムを調査し、その異質性を検証しました。著者らはその後、均質系と異質系の2つの系を比較する異種系LEACHを開発し^ました。分散型エネルギー効率クラスタリング技術によって開発された手法が異種リモートセンサーネットワーク向けに提案されています¹⁵。これは分散エネルギー効率クラスタリングのアップグレード版です。

専門家たちは別の進展技術¹⁶を提案しました。この新しいアルゴリズムは、残りのエネルギーが閾値残差エネルギー値に正確に直属しない優れたハブの平均確率を変更しました。これは通常のネットワークエネルギーではなく、ハブとBS間の典型的な空間に依存します。

分散エネルギー効率クラスタリング¹⁷ は、クラスタヘッド選択時にSNとWR間の平均空間やスーパーノード間の距離を考慮することで、プロトコルの選択の可能性を高めました。処理量、システム寿命、余剰エネルギーの面でのE-DEEC効率の向上は、シミュレーション結果を通じて示されています。Nurelmadina らの研究は、研究者が^{この研究に}集中するよう促す重要な要素です。無線センサーネットワーク(WSN)は、ランダム展開によって盲点やリンク切断が生じるため、慎重なノード配置が求められます。したがって、カバレッジの最大化と接続性の維持は、単なる「ありがたいもの」ではなく、コアな最適化目標となっています。先行技術によれば、従来の群れアプローチ(例:PSO/ACO)やアドホック展開戦略は、収束が遅く局所最適トラップに悩まされることが多く、その結果、カバレッジが低く接続性が脆弱であることが示されています¹⁹。最近のメタヒューリスティックレビューでは、このような欠点は通常、探索と活用のバランスの取れないダイナミクスに起因することが指摘されています。グローバルサーチと局所的精緻化を明示的にバランスさせるハイブリッドを主張し^{、ハイブリッド制御}/結合スキームがどのように設計できるかを調査しています。WSN特有のノード展開テストにおいて、Improved Chaotic Grey Wolf Optimizer(ICGWO)は複数の環境で≥99%のカバレッジを達成し、強力なベースラインに対して平均最大~16%の向上を示し、カオスガイド付きハイブリダイゼーションがカバレッジと接続性の両方を大幅に向上させること^{を示しています。}補完的に、グレイウルフ-パーティクルスウォームハイブリッド(HGWPSO)は、多様な工学的課題で同じ設計ロジックを検証し、複数のベンチマークケースで43〜99%の改善を報告し、ハイブリダイゼーションがより速い収束とより良い解決策への堅牢な道であることを強調しています¹⁹。開発された手法である自己最適化ウルフオプティマイザー(SOWO)は、フィールドからBSへの単一ホップおよびマルチホップの相互作用戦略を用いており、²¹は発生しませんでした。この戦略は、遠方のハブから遠方のBSへの無関係な情報ブロードキャストを避け、ノードのエネルギー消費を最小限に抑えます。

Protocol

このセクションでは、このセグメントで開発された異種プロトコルについて説明します。この手法では、組織はセンサーハブを事前に設定されたエッジ距離に基づいて4つの論理的領域に分割します。ゲートウェイノードと基地局(BS)は検出フィールドの外部に配置され、ネットワークの中心点に別々に配置されます。ゲートウェイノードからの距離があらかじめ決められた距離より短いハブはフィールド1とフィールド2に割り当てられます。この場合、ノードは直接通信を用いてゲートウェイノードまたはBSにデータをブロードキャストします。これらのノードは均質ノードを表します。ノード間空間があらかじめ決められた閾値空間より大きく、WRノードに近いとします。その場合、 図1に示されるようにエリア3または4に位置します。これらのノードは異種ハブと呼ばれます。2つの領域で選択が行われ、その残留エネルギーを使ってCHを選択します。これらの領域からの情報はマルチホップ相互作用手法を用いてBSに送信されます。リージョン3のCHはゲートウェイノードに最終報告を提供し、情報を統合してBSにブロードキャストします。各エリアのノードは、エネルギー限界内の他のノードと情報を通信します。ノードが情報を送れなくなったときは、エネルギーを温存するために休みます。

ネットワークモデル
ネットワーク構造の定義は図1に示されています。このネットワークはG(L, BS, H_o, GW,_{H e})として知られ、基地局はBSとして提供され、ネットワークゲートウェイはGW、同種ノードはH_o、異種ノードはH_e、そして各ノードを結ぶ通信ネットワークの集合(BSを含むすべてのノード、 H_o、GW、H_e)はLと表されます。ネットワークの特徴は以下の通りです:(i) 図1に示すように、ネットワークは領域1、2、3、4に分かれて4つのサブネットワークに分割されています。(ii) 領域4に最低1つのノードが領域3のノードに関連付けられています。(iii) WRはエリア2の基地局に接続されています。(iv) 現在、WRと基地局が接続されています。エリア1のすべてのノードはBSに関連付けられています。(v) エリア3と4のすべてのノードはBSに接続されていません。

エネルギー消費
本研究におけるエネルギー利用手法は以下の通りです:WSNのノードはランダムに共有され、あらかじめ決められた位置はありません。ノード間の空間に基づき、通信によってノードのエネルギーがかなり失われます。情報の伝達と収集の二つのタイプはエネルギーを消費します。したがって、距離にわたって(m)ビットの長さのデータパケットを送信するために必要なエネルギーは次の通りです:

(1)

E_TXはノードのデータ伝送時に使用されるエネルギーを示し、1ビットのデータの送受信過程のエネルギー消費はEエレ_ック、ε_fsは自由空間エネルギー消費係数、_ε MPは多方向係数法のエネルギー消費を表し、伝送空間はクロスオーバーとして与えられ、計算は次の通りです:

(2)

受信ノードがm ビットのデータパケット を取得するために期待されるエネルギー利用量は以下の通り決まります。

(3)

前述のモデルはCHが利用するエネルギーを決定することができます。CHで使用されるエネルギーは基本的に三つの視点を含みます。すなわち、ユーザーノードのデータパケットを取得するエネルギー利用、情報の関連付け、そして融合した情報をWRに送信することです。推定式は次のように表されます:

(4)

メンバーノードの数はCM_数で表され、E_DAは1ビットのデータを集約するために必要な費用を表します。パケットの長さは m です。非CHハブが消費するエネルギーは、WRへの情報送信にかかるエネルギー利用量であり、数値式は次のように表されます。

(5)

以下は、r^ラウンド全体の残差エネルギーの計算方法です。

(6)

残りのエネルギー全体がラウンドE _tohR(r - 1)のように与えられる場合、ラウンド内のCHの数はCH_num(r)で表され、Nの生きている(_r)は提供されたネットワークのラウンド内の全稼働ノードを指し、E_Ch(i)はi^th CHのエネルギー利用量を表し、E_非CH(j)は非CH(j)が消費するエネルギーを示します。

クラスター選択
このアルゴリズムはノードからWRおよびエネルギーまでのインタースペースを利用してシステムの主クラスタを選択します。これによりクラスタ内の総CHの制限は以下の通りです:SNの適合度スコアの上昇順に、活動中のSNのクラスタは mの等しい部分集合に分割されます(ここでmはN /pと同等の望ましいクラスタ数です。 N はセンサーノードのカウント、 pはCH部分を表します。各サブセットでは、中心位置近くのセンサーノードの最初のクラスタヘッドが選ばれます。各ノードは、ユークリッド距離に基づいて初期クラスタを作成するために、最も近いクラスタのヘッドに追加されます。ノード、BS、残留エネルギーの間の空間がノードの適応度スコアを決定します。

(7)

重みが₁と表される場合、一次エネルギーはE_i、残差エネルギーはE_r、ノードからWRまでの空間はd_BSで示されます。d_maxBSはSNとWRの間の最大間空間であり、d_MinBSはSNとWRの間の最小空間を示します。

自己最適化オオカミ最適化器(SOWO)
CHはSOWOを使って選ばれます。オオプティマイザーでは、図2に示すように3頭のオオカミ(α、β、δ)の平均質量を用いて獲物の位置を特定します。BSとノード間の微分、および残差エネルギー間の空間を考慮すると、ノードの適応度スコアはグレイウルフ最適化の主要な重みとみなされ、式(8)を用いて決定されます。獲物の初期位置は式(8)から(11)とSOWOの最適化手法に基づいて計算されます。

(8)

(9)

(10)

(11)

オオカミの一次質量α、β、δがそれぞれω_Iα、ω_Iβ、ω_Iδである場合、オオカミαの最良の適応度スコアはF_α、F_β、F_δであり、式11で計算されます。3つのフィットネススコアが高いノードに相当する個別ノードは、α、β、δウルブです。開発されたプロトコルは、ノードの適応度スコアが1回のデータ送信後に変化するため、グレイウルフ最適化の重みは変わりません。グレイウルフ最適化器の世界的な探索能力を作成するために、負荷はベクトルAとDによって能動的に修正されます。ここで、Aは係数ベクトルを示し、オオカミから獲物までの距離はDです。式(12)と(15)はAとDを決定するために用いられます。獲物の位置と負荷強化の式は次のように記述されます:(t + 1)^回目の反復:

(12)

(13)

(14)

(15)

が反復(t+1)におけるαオオカミ、βオオカミ、δオオカミの位置を指定する場合、これらの位置は式(15)を用いて計算されます。反復の最終段階では、CHは現在のノードの中で獲物に近いノードを選択します。CHの課題はより複雑であるため、残留エネルギーは課題を完遂できず、ノードの終結につながります。したがって、最大の残余エネルギーを持つノードを選び、獲物に近づくことが不可欠です。ノードの残りエネルギーとノードから獲物までの距離が、CH選択に用いられるフィットネススコアのパラメータとして使われます。適応度スコアが低いノードはクラスタヘッドと呼ばれます。適応度値を計算する関数は次のように与えられます:

(16)

重みが₂で与えられる場合、ノードの残りエネルギーはE_x、Emaxは最大残留エネルギー、_Eminはクラスタノードに残る最小エネルギーと表されます。獲物とノードの距離はd_p、dは検出ノードと獲物の間の最大距離、_dMinpはSNと獲物の間の最小距離です。

自己最適化ウルフエージェント
ソフトウェアエージェントはネットワークサイズやノードゲートウェイを監視・管理します。ソフトウェアエージェントは、ローカル通信戦略やコードのモビリティが異なる従来のクライアントやサーバーに代わります。モニタリングは管理システムを理解する上で重要な要素です。この重要性から、ネットワークメッシュ内のノードゲートウェイを監視するためにソフトウェアエージェント技術が提案されました。監視に加えて、ネットワークノードのリストを更新する責任はエージェントにあります。このデータはネットワーク規模の関係で不可欠であり、自己設定プロセスがルーティングプロトコルのパラメータを動的に設定できます。本研究の文脈では、これらはソフトウェアエージェントの行動に見られる多くの特性の中で最も望ましいものです。ワイヤレスエージェントは、メッシュルーターとルーター自身のクライアントノードのアソシエーションに設置されます。ネットワーク密度を特定する際、エージェントは小規模、標準規模、大規模の各タスクを実行します。3つのスケール(小、標準、大)のスコアが示されています。エージェントは提案されたプロトコルの自動設計能力の前提を形成します。これらのエージェントはネットワークの挙動検証、スループット、データパケット損失率、中断、スループット、アイドルネス、動的および休止ハブ、接続に関するデータの管理を担当します。ネットワークエージェントはメッシュルーター上で安定しており、提案されたプロトコルの自己最適化能力を提供します。自己関連付けは、ネットワークリモート組織において、ルーティングプロトコルに自己x能力(最適化、設定、修正、セキュリティ¹⁹)を埋め込むことで現れます。これらの機能により、ルーティングプロトコルは自律的になり、ネットワーク性能、障害耐性、保護性が向上します。以下は、自己構成と自己最適化に重点を置きつつ、前述の機能の実行方法の説明です。特筆すべきは、自己関数がネットワーク層でルーティングプロトコルの標準サービスの拡張として実行されていることです(補足ファイル1)。

クラスタ集合(CS)
CSはネットワーク内の複数のクラスターの集合であり、クラスタリングアルゴリズムはネットワークをさまざまなクラスタに分割することを可能にします。本研究では、最初に選ばれたクラスターを「ファーストCS」と呼び、現在の理想CSとみなし、現在の完全CSの目的関数スコアを計算します。修正グレイウルフ最適化器(MGWO)は、現在の完全CS内のすべてのクラスタを任意に修正して別のクラスタを生成でき、新たに形成されたクラスタの大多数は別のCSをフレーム化します。再び、最新のCSの目的関数スコアが決定されます。現在の最適クラスタの目的関数スコアが最新のクラスタのそれより大きい場合、新たに決定されたクラスタが現在の理想CSとみなされます。完璧なCSは終結の最終段階に向けて枠組みを組み込まれます。目的関数は次のように記述されます:

(17)

重みを₃で表す場合、CS内のクラスター間の空間の和はd_TCHと表され、CHとWR間の全距離はd_TBSで示されます。CHとBS間のクラスターと通信距離は、遠隔監視および目標追跡設計の基盤となっています。もし目的関数スコアが低い場合、クラスタヘッド決定がより妥当であり、クラスタ内でCHが理想的であり、クラスタヘッドセットがネットワーク全体と比べて完璧であることを示します。アルゴリズム2(補足ファイル2)はSOWO擬似符号を記述しています。

Results

ここでは、MATLAB R2024aがシミュレーションを用いた開発された異種ルーティングプロトコルとルーティングプロトコルを比較します。シミュレーションでは、100個の検出ノードのネットワークが任意に用いられ、100mごとに1つのノードの次元が設定されます。WRノードはネットワーク内の(50m、120m)および(50m、50m)に位置しています。(m が0.2、が1)を持つ均質ノードの約20%は、異質ノードよりもエネルギーが少ない。展開後はすべてのノードが静止したままです。本研究で使用されるシミュレーション変数は 表1に示されています。

ゲートウェイノードとCHは、予測通りにレポートを転送前に正常に集約します。したがって、このデモンストレーションでは核融合試験は使用されませんでした。しかし、それは将来の探査における最良の貢献となるでしょう。挙げられたパフォーマンス指標が評価の基礎となりました。熟練度は多次元的で、与えられた要素によって計算されます。

Discussion

提案されているSOWOは、WRと均質ノードを利用しています。安定選定プロトコルでは、異種ノードをCHとして使用し、クラスタ中央にBSノードが配置され、その周囲にセンサーノードが配置されています。基地局が領域¹⁴の外部に配置されている場合、エネルギーが増加します。これによりエネルギーが減少し、エネルギーレベルは非常に短時間でゼロになります。提案された手法は、従来の手法に比べてエネルギー削減率が低いです。これにより、エネルギー節約手法が開発されたモデルで実装され、使用されていることが証明されます。さらに、 図9 を詳しく見ると、提案されたSOWOアルゴリズムは他のアルゴリズムに比べてエネルギー削減率が低いことがわかります。

特筆すべきは、開発されたルーティングアルゴリズムではネットワーク内のアクティブノード数が多く、非アクティブなノード数はすべてのルーティングラウンド¹⁷

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
第12世代 Intel(R) Core(TM) i5-1235U (1.30 GHz)	インテル・コーポレーション、アメリカ	–	シミュレーション実行に使用されるハードウェア
16GB DDR4 RAM	キングストン・テクノロジー、アメリカ	–	シミュレーション実行中に使用されるメモリ
MATLAB	MathWorks USA	R2024a	アルゴリズムの実装、WSNシミュレーションの実行、結果解析に使用されます
Microsoft Windows 11 Home	マイクロソフト社、アメリカ	ビルド22631	シミュレーションを実行するためのオペレーティングシステム
MATLABで生成された合成データセット	MathWorks、アメリカ	R2024a	アルゴリズムテスト用に作成されたカスタムデータセット